首页 / 资讯详情
IJCAI 2026 专访：动作指挥计算，VLA 加速不降准 | GAIR Paper 125
摘要
将动作从输出端搬到调度端，推理速度提升1.79倍。 作者丨邓哲敏 编辑丨齐铖湧 机器人想要真正走进千行百业、千家万户，有一道绕不开的坎：它得足够快。不说快到能打羽毛球那，至少得快到让人觉得这玩意儿能用。一个机械臂每动一下都要停顿两三秒，哪怕成功率再高，在工业场景里算下来的投入产出比也很难说服人。VLA 模型是当前具身智能领域最受关注的技术路线之一。它把视觉感知、语言理解和动作生成整合进一套模型，让机器人能够依据语言指令完成复杂操作任务。但 VLA 模型有一个部署层面的老大难问题：推理太慢。每个控制时刻，模型都要把一个庞大的视觉语言骨干网络跑一遍，计算量极大，导致延迟居高不下，实时控制频率难以保证。这个问题并不新鲜，学界已经有不少人在尝试解决。今年 IJCAI 收录的一篇论文认为，现有的大多数方案都走偏了一步。AI科技评论（雷峰网公众号）联系到一作于闻达，围绕高效 VLA 方法进行交流。论文原文：https://arxiv.org/abs/2601.1963401大家都在剪视觉，但问题真的在这儿吗现有的高效 VLA 方法，主流路线是在视觉侧做文章，剪掉“不重要”的视觉 token，跳过一些 Transformer 层，或者直接复用上一帧的计算结果。逻辑上听起来合理：视觉信息最占计算，减掉多余的视觉计算，自然就快了。但这里有一个被忽视的矛盾。在机械臂执行任务的过程中，视觉上的复杂程度和操作上需要的精度，并不总是同步的。机械臂接近目标的阶段，画面可能非常简单，但这时候恰好需要全力计算，因为精细的夹取动作容不得误差；反过来，大幅移动阶段画面变化激烈，但其实不需要太多计算资源。换句话说，视觉复杂度不等于控制难度。以视觉信号来决定这一帧算多少，天然就抓错了对象。AC²-VLA 一作于闻达告诉AI科技评论（雷峰网公众号），团队在调研文献时发现了这个矛盾，并意识到 VLA 模型闭环控制过程中，真正能反映当前时刻需要多少计算的，是机器人的动作状态，而不是视觉画面。这个判断很直观，和 VLA 的逻辑也很吻合——V是视觉，L是语言，A是动作，既然VLA的最终产出是动作序列，那用动作来指导计算分配，才是真正贴近这类模型本质的做法。基于这个出发点，他们提出了 AC²-VLA，全称是Action-Context-Aware Adaptive Computation for VLA models，即动作上下文感知的自适应计算框架。两个 AC，一个代表Action Context（动作上下文），一个代表Adaptive Computation（自适应计算），名字里藏着双关。02让动作来“拍板”AC²-VLA 的框架主图展示了整体架构：视觉观测经过视觉编码器，语言指令经过 embedding，加上上一时刻的动作信息，三者共同构成一个动作先验条件向量，输入进一个统一的路由器（router）。这个 router 的输出，决定了当前时刻的计算策略。具体来说，router控制三件事：▎一、cognition caching（认知缓存复用）如果当前动作状态比较稳定，router 认为可以尝试复用上一步的 VLM 骨干网络输出，就会发起复用请求。但这个请求不等于直接复用，还需要看缓存是否能命中，综合判断运动状态是否连续、视觉状态是否匹配。两个条件都满足，才会跳过整个 VLM 骨干